基于知识蒸馏和多任务学习的低分辨率胸部X光分类
图像与视频处理
2024-05-24 v1 计算机视觉与模式识别
机器学习
摘要
本研究 addresses 在资源受限的医疗环境中对胸部X光（CXR）进行低分辨率诊断的挑战。高分辨率CXR成像对于识别小但关键的异常（如结节或浸润）至关重要。然而，当图像被压缩至计算机辅助诊断（CAD）系统中进行处理时，会丢失关键的空间细节和感受野，损害诊断准确性。为此，本文提出了多级协同注意力知识（MLCAK）方法。该方法利用Vision Transformer（ViT）的自注意力机制，将来自高分辨率图像中的关键诊断知识传递以增强低分辨率CXR的诊断效能。MLCAK融合局部病理发现以提升模型可解释性，使其在针对低分辨率CXR分析的多任务框架中实现更精确的全局预测。我们的研究利用Vindr CXR数据集，显示在诊断来自低分辨率图像（例如28×28）的疾病方面具有显著的提升，表明这一工作标志着从传统依赖高分辨率成像（例如224×224）向仅依赖低分辨率成像的关键转变。
引用
@article{arxiv.2405.13370,
title = {Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning},
author = {Yasmeena Akhter and Rishabh Ranjan and Richa Singh and Mayank Vatsa},
journal= {arXiv preprint arXiv:2405.13370},
year = {2024}
}
备注
IEEE ISBI 2024